基于深度学习的协同过滤推荐方法、系统、设备及介质技术方案

本发明专利技术提供一种基于深度学习的协同过滤推荐方法、系统、设备及介质，所述方法包括：获取待推荐的目标用户集和目标条目集，以及目标用户集和目标条目集对应的评价数据集；提取评价数据集的目标共现特征，并获取目标共现特征对应的历史共现特征；目标共现特征和历史共现特征包括全局共现特征和局部共现特征；将目标用户集、目标条目集、全局共现特征和局部共现特征输入至经过预训练的预测神经网络模型中，生成目标用户集和目标条目集的评分预测矩阵；根据评分预测矩阵进行条目推荐。通过提取用户和条目的全局共现和局部共现，确定用户

【技术实现步骤摘要】
基于深度学习的协同过滤推荐方法、系统、设备及介质


[0001]本专利技术涉及数据处理
，尤其涉及一种基于深度学习的协同过滤推荐方法、系统、设备及介质。

技术介绍

[0002]随着信息技术的发展，为了实现精准营销或者向用户提供更加优质的服务，产生了基于协同过滤的推荐方法，该方法能够掌握用户和所考虑的条目之间的相互作用或相互关系。然而，现有的基于协同过滤的推荐方法只能掌握单一类型的关系，例如捕获用户
‑
用户或条目
‑
条目关系的相关性，而忽略了用户与条目之间的交互，影响了推荐准确性。

技术实现思路

[0003]本专利技术提供一种基于深度学习的协同过滤推荐方法、系统、设备及介质，用以解决现有技术中基于协同过滤的推荐方法仅捕获用户或条目的相关性，忽略了用户与条目之间的交互导致推荐准确度较低的缺陷。
[0004]本专利技术提供一种基于深度学习的协同过滤推荐方法，包括：
[0005]获取待推荐的目标用户集和目标条目集，以及所述目标用户集和所述目标条目集对应的评价数据集；
[0006]提取所述评价数据集的目标共现特征，并获取所述目标共现特征对应的历史共现特征；所述目标共现特征和所述历史共现特征包括全局共现特征和局部共现特征；
[0007]将所述目标用户集、所述目标条目集、所述全局共现特征和所述局部共现特征输入至经过预训练的预测神经网络模型中，利用所述预测神经网络模型生成所述目标用户集和所述目标条目集的评分预测矩阵；
[0008]根据所述评分预测矩阵进行条目推荐。
[0009]在一个实施例中，所述提取所述评价数据集的目标共现特征的步骤，包括：
[0010]提取所述评价数据集的用户集和条目集，并基于所述用户集和所述条目集生成所述评价数据集对应的目标评分矩阵；
[0011]基于预设的约束模型提取所述目标评分矩阵的全局共现特征；所述全局共现特征包括所述用户集中的同一用户对第一条目和第二条目的评分相同的共现计数，以及第一用户和第二用户对所述条目集中的同一条目的评分相同的共现计数；
[0012]基于预设的独立评级模型提取所述目标评分矩阵的局部共现特征；所述局部共现特征包括所述用户集中的同一用户对第一条目和第二条目给出额定评分的共现计数，以及第一用户和第二用户对所述条目集中的同一条目给出额定评分的共现计数；
[0013]其中，所述第一条目和所述第二条目为所述条目集中的条目，所述第一用户和所述第二用户为所述用户集中的用户。
[0014]在一个实施例中，所述基于预设的约束模型提取所述目标评分矩阵的全局共现特征的步骤，包括：
[0015]基于预设的约束模型从所述目标评分矩阵中提取第一用户向量和第一条目向量；所述第一用户向量中的用户对同一条目的评分相同，所述第一条目向量由同一用户给出相同评分的条目构成；
[0016]获取所述约束模型对应的第一成本函数，根据所述第一成本函数对所述第一用户向量和所述第一条目向量进行表征学习，得到所述目标评分矩阵的全局共现特征。
[0017]在一个实施例中，所述基于预设的独立评级模型提取所述目标评分矩阵的局部共现特征的步骤，包括：
[0018]基于预设的评分独立模型从所述目标评分矩阵中提取第二用户向量和第二条目向量；所述第二用户向量由对同一条目给出额定评分的用户构成；所述第二条目向量由同一用户给出额定评分的条目构成；
[0019]获取所述评分独立模型对应的第二成本函数，根据所述第二成本函数对所述第二用户向量和所述第二条目向量进行表征学习，得到所述目标评分矩阵的局部共现特征。
[0020]在一个实施例中，所述预测神经网络模型包括全连通转换层、卷积变换层和合并层，所述利用所述预测神经网络模型生成所述目标用户集和所述目标条目集的评分预测矩阵的步骤，包括：
[0021]利用所述预测神经网络模型中的全连通转换层对所述全局共现特征进行处理，得到所述全局共现特征对应的目标全局特征；
[0022]利用所述预测神经网络模型中的卷积变换层对所述局部共现特征进行处理，得到所述局部共现特征对应的目标局部特征；
[0023]利用所述预测神经网络模型中的合并层对所述目标全局特征和所述目标局部特征进行合并预测，得到所述目标用户集和所述目标条目集的评分预测矩阵。
[0024]在一个实施例中，所述全连通转换层包括目标特征转换层和历史特征转换层，所述目标特征转换层中包括第一全连接权重矩阵，所述历史特征转换层中设有第二全连接权重矩阵；所述所述目标全局特征包括第一目标全局特征和第二目标全局特征；
[0025]所述利用所述预测神经网络模型中的全连通转换层对所述全局共现特征进行处理，得到所述全局共现特征对应的目标全局特征的步骤，包括：
[0026]基于所述第一全连接权重矩阵，利用所述预测神经网络模型中的目标特征转换层对所述目标共现特征的全局共现特征进行处理，得到第一目标全局特征；
[0027]基于所述第二全连接权重矩阵，利用所述预测神经网络模型中的历史特征转换层对所述历史共现特征的全局共现特征进行处理，得到第二目标全局特征。
[0028]在一个实施例中，所述卷积变换层包括目标特征卷积层和历史特征卷积层，所述目标特征卷积层中包括第一卷积变换矩阵，所述历史特征卷积层中包括第二卷积变换矩阵；所述目标局部特征包括第一目标局部特征和第二目标局部特征；
[0029]所述利用所述预测神经网络模型中的卷积变换层对所述局部共现特征进行处理，得到所述局部共现特征对应的目标局部特征的步骤，包括：
[0030]基于所述第一卷积变换矩阵，利用所述预测神经网络模型中的目标特征卷积层对所述目标共现特征的局部共现特征进行卷积变换处理，得到第一目标局部特征；
[0031]基于所述第二卷积变换矩阵，利用所述预测神经网络模型中的历史特征卷积层对所述历史共现特征的局部共现特征进行卷积变换处理，得到第二目标局部特征。
[0032]本专利技术还提供一种基于深度学习的协同过滤推荐系统，包括：
[0033]数据获取模块，用于获取待推荐的目标用户集和目标条目集，以及所述目标用户集和所述目标条目集对应的评价数据集；
[0034]特征提取模块，用于提取所述评价数据集的目标共现特征，并获取所述目标共现特征对应的历史共现特征；所述目标共现特征和所述历史共现特征包括全局共现特征和局部共现特征；
[0035]评分预测模块，用于将所述目标用户集、所述目标条目集、所述全局共现特征和所述局部共现特征输入至经过预训练的预测神经网络模型中，利用所述预测神经网络模型生成所述目标用户集和所述目标条目集的评分预测矩阵；
[0036]条目推荐模块，用于根据所述评分预测矩阵进行条目推荐。
[0037]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度学习的协同过滤推荐方法的步骤。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的协同过滤推荐方法，其特征在于，包括：获取待推荐的目标用户集和目标条目集，以及所述目标用户集和所述目标条目集对应的评价数据集；提取所述评价数据集的目标共现特征，并获取所述目标共现特征对应的历史共现特征；所述目标共现特征和所述历史共现特征包括全局共现特征和局部共现特征；将所述目标用户集、所述目标条目集、所述全局共现特征和所述局部共现特征输入至经过预训练的预测神经网络模型中，利用所述预测神经网络模型生成所述目标用户集和所述目标条目集的评分预测矩阵；根据所述评分预测矩阵进行条目推荐。2.根据权利要求1所述的基于深度学习的协同过滤推荐方法，其特征在于，所述提取所述评价数据集的目标共现特征的步骤，包括：提取所述评价数据集的用户集和条目集，并基于所述用户集和所述条目集生成所述评价数据集对应的目标评分矩阵；基于预设的约束模型提取所述目标评分矩阵的全局共现特征；所述全局共现特征包括所述用户集中的同一用户对第一条目和第二条目的评分相同的共现计数，以及第一用户和第二用户对所述条目集中的同一条目的评分相同的共现计数；基于预设的独立评级模型提取所述目标评分矩阵的局部共现特征；所述局部共现特征包括所述用户集中的同一用户对第一条目和第二条目给出额定评分的共现计数，以及第一用户和第二用户对所述条目集中的同一条目给出额定评分的共现计数；其中，所述第一条目和所述第二条目为所述条目集中的条目，所述第一用户和所述第二用户为所述用户集中的用户。3.根据权利要求2所述的基于深度学习的协同过滤推荐方法，其特征在于，所述基于预设的约束模型提取所述目标评分矩阵的全局共现特征的步骤，包括：基于预设的约束模型从所述目标评分矩阵中提取第一用户向量和第一条目向量；所述第一用户向量中的用户对同一条目的评分相同，所述第一条目向量由同一用户给出相同评分的条目构成；获取所述约束模型对应的第一成本函数，根据所述第一成本函数对所述第一用户向量和所述第一条目向量进行表征学习，得到所述目标评分矩阵的全局共现特征。4.根据权利要求2所述的基于深度学习的协同过滤推荐方法，其特征在于，所述基于预设的独立评级模型提取所述目标评分矩阵的局部共现特征的步骤，包括：基于预设的评分独立模型从所述目标评分矩阵中提取第二用户向量和第二条目向量；所述第二用户向量由对同一条目给出额定评分的用户构成；所述第二条目向量由同一用户给出额定评分的条目构成；获取所述评分独立模型对应的第二成本函数，根据所述第二成本函数对所述第二用户向量和所述第二条目向量进行表征学习，得到所述目标评分矩阵的局部共现特征。5.根据权利要求1所述的基于深度学习的协同过滤推荐方法，其特征在于，所述预测神经网络模型包括全连通转换层、卷积变换层和合并层，所述利用所述预测神经网络模型生成所述目标用户集和所述目标条目集的评分预测矩阵的步骤，包括：利用所述预测神经网络模型中的全连通转换层对所述全局共现特征进行处理，得到所
述全局共现特征对应的目标全局特征；利用所述预测神...

【专利技术属性】
技术研发人员：娄树理，宋杰，公维锋，刘兴惠，
申请(专利权)人：烟台大学，
类型：发明
国别省市：